你想在AI領域達到怎樣的成就

年前更新簡歷時，在「自我評價」中我是這樣寫的：再次回歸，立志3年內成為AI應用專家。現在仔細想想，要成為什麼樣子的磚家呢？

之所以這個問題重要，是因為它能夠幫我發現自己真正擅長什麼。我曾做過一個類似的目標設定：能夠熟練的編寫程序。之後，我詳細記錄下了每天花費的時間，如下圖所示，單位是小時。

這個時間是自己在工作之餘自主學習的時間，6-8月份由於工作太忙，沒有額外去看書學習，也沒怎麼記錄時間，但那幾個月編寫了大量的項目業務代碼，也就是在經歷了8個月的努力後，我開始感覺編寫代碼沒有那麼吃力了，並進一步明確了目標：熟練的編寫Windows應用程序。

關於如何實現通過學習完成的目標，記得看到過一個牛人是這樣的：將這個目標不斷的劃分成一個個小目標，在完成每一個小目標的途中不斷總結，持續獲得有效的即時反饋，形成一個 「學習－反饋－改進」 的循環。如果在這個小目標上遇到困難，就去學習新的一個小目標的內容，反過來再去想盡各種辦法去解決之前遇到的困難，直到完成目標。

經過設定一個預期，並在8個月之後進行總結，我發現了自己更擅長的事情或者說近期更重要的目標：熟練的編寫Windows應用程序，這應該就是「反饋分析法」對於自我管理的作用吧。

而這次，「成為AI應用專家」這個目標就像「能夠熟練的編寫程序」一樣，有點大。AI領域現在有哪些專門的崗位呢？我在招聘網站上搜索了一下深度學習工程師、機器學習工程師、數據科學家等職位，崗位要求大概是這樣的：

1.專業，統計學、應用數學、計算機等相關專業。

2.編程語言，C/C++/Python/R/SQL等。

3.大數據處理技術，Hadoop、Spark、Map/Reduce等。

4.演算法，分類、聚類、回歸、關聯規則、神經網路等。

5.框架，Caffe/TensorFlow/Keras/Theano 等。

而如果搜「數據分析師」，也有類似的崗位要求。但數據分析師的訴求好像不太一樣，一家深圳公司對數據分析師工作職責是這樣描述的：

1.發掘數據的商業價值，讓數據變成生產力；

2.負責根據項目需要進行數據處理、整合、標籤等工作，進行業務和數據建模；

3.負責數據挖掘和數據分析領域的模型以及演算法開發以及優化；

4.負責數據分析結果的展現、應用、評價、迭代等閉環流程。

查了一下，數據分析的步驟大概是這樣的：

1. 業務理解，確定目標、明確分析需求；

2. 數據理解，收集原始數據、描述數據、探索數據、檢驗數據質量；

3. 數據準備，選擇數據、清洗數據、構造數據、整合數據、格式化數據；

4. 建立模型，選擇建模技術、參數調優、生成測試計劃、構建模型；

5. 評估模型，對模型進行較為全面的評價，評價結果、重申過程；

6. 成果部署，分析結果應用。

我的理解是，演算法工程師/深度學習工程師/機器學習工程師/人工智慧工程師/數據科學家，這樣的工作崗位是以解決「技術問題」為基本目標的，職業發展方向是技術專家。從初級的只掌握單獨的演算法或模型，到可以把握一個技術方向，甚至帶領團隊研發新的技術方案。而數據分析師一開始就是以解決「業務問題」為基本目標的。

而從自身考慮，我目前對演算法不精通，又不熱衷於理論推導，在技術路線上能走多遠自己心裡有數。而如果讓我選擇，我更願意成為一名數據產品經理，目前這個崗位還沒有明確定義，自己也需要去摸索和嘗試。

總之，首先需要選擇一個橫向的領域，比如自動駕駛、醫療、金融、教育、安防等，然後盡量在一個縱向的板塊成為專家，這樣稍微大一點的公司都是需要的，舉例的話，比如金融中的「支付」板塊，比如安防中的「圖像識別」板塊。在實際的工作項目中去證明自己，讓自己的職業規劃與公司的業務目標匹配，按部就班的去完成計劃，持續跟蹤和改進自己的計劃。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！